自适应视频流的用户体验质量评估：基于深度学习的增强型最小化路测

网络性能通常通过路测来评估，即由配备专用设备的车辆团队实地驾车测试无线网络中各个位置。然而，智能化与自主化故障排查被视为 5G 和 6G 网络的关键赋能技术。本文中，我们提出了一种利用来自用户设备的无线质量数据执行虚拟路测的架构。我们的架构包含三个主要组件：i) 一个模式识别器，从应用关键性能指标（KPI）中学习该应用的典型模式；ii) 一个将网络 KPI 映射到应用 KPI 的预测器；iii) 一个异常检测器，将预测的应用性能与典型应用模式进行比较。本工作中，我们使用商业最先进的网络优化工具，在不同地理位置和一天中不同时间收集网络与应用 KPI，以训练初始学习模型。我们进行了广泛的数值分析，以揭示影响正确视频质量预测与异常检测的关键参数。我们表明，播放时间是影响视频质量的唯一最重要参数，因为视频数据包通常在播放前被提前缓冲。然而，表征蜂窝连接质量的射频（RF）性能指标在特殊情况下可改善 QoE 估计。我们通过展示所提方法的平均最大 F1 分数为 77% 来证明方法的有效性。最后，所提架构灵活且自主，只要存在相关的基于用户的轨迹，便可运行于不同用户应用。